Guide de départ de la reconnaissance de la parole NVIDIA NEMO

DEV - 08/08
Après avoir lu un article que Nvidia avait plusieurs modèles en haut du classement HF ASR, je voulais tester ...

Après avoir lu un article que Nvidia avait plusieurs modèles en haut du classement HF ASR, je voulais tester dans mon ordinateur local. Même le code semble assez simple à partir de HF, il n'a pas fonctionné pourNvidia / Canary-Qwen-2.5bJ'ai donc commencé à creuser un peu plus et à tester plusieurs fonctionnalités.

Configuration de la base

Pour tester, vous aurez besoin d'une configuration de base, j'utilise Docker afin que les options soient:

  1. Utilisation du conteneur Nvidia Pytorch
  2. Utilisation de Python avec des bibliothèques compatibles CUDA

Conteneur nvidia pytorch

C'est le plus simple, mais bien sûr, il pourrait bien contenir beaucoup de bibliothèques qui ne sont pas nécessaires, la taille du conteneur est de 12,78 Go

docker run \ --gpus all \ -it \ --rm \ --shm-size = 16g \ --ulimit memlock = -1 \ --ulimit stack = 67108864 \ nvcr.io/nvidia/pytorch:25.06-py3
Entrez le mode de sortie en mode plein écran

Image python avec les bibliothèques CUDA

docker run \ --gpus all \ -it \ --rm \ python: 3.12-bookworm \ / bin / bash
Entrez le mode de sortie en mode plein écran

Configuration des bibliothèques CUDA:

APT Update && \ apt install -y wget && \ wget https://developer.download.nvidia.com/compute/cuda/repos/debian12/x86_64/cuda-keyring_1.1-1_all.deb && \ dpkg -i-cida-keyying_1.1-1_all.deb && \ Cuda-keyyRing_1.1. \ apt-get -y install --no-install-recommd Cuda-toolkit-12-9
Entrez le mode de sortie en mode plein écran

Remarque: l'image est d'environ 11,5 Go, donc n'est probablement pas ...
[Courte citation de 8% de l'article original]